（转）Python爬虫--通用框架

Posted 2021-02-10 无风便起浪的谢浪

转自https://blog.csdn.net/m0_37903789/article/details/74935906

前言：
相信不少写过Python爬虫的小伙伴，都应该有和笔者一样的经历吧_{只要确定了要爬取的目标，就开始疯狂的写代码，写脚本}经过一番努力后，爬取到目标数据；但是回过头来，却发现自己所代码复用性小，一旦网页发生了更改，我们也不得不随之更改自己的代码，而却自己的程序过于脚本化，函数化，没有采用OPP的思维方式；没有系统的框架或结构。
指导老师看了笔者的爬虫作品后，便给出了以下三点建议：
（1）爬虫爬取的数据根据需要存数据库或直接写入.csv文件；
（2）爬虫程序包括控制程序、URL调度器、页面加载器、页面分析器、数据处理器等，尽量用OOP的思想，写成类，便于扩充，而不要直接全写成脚本；
（3）控制程序最好使用一个用户界面，用于设置开始爬取的页面、数据存放位置、显示爬取情况等。
由于笔者知识和能力有限，刚听到这些建议时，很难明白他的意思，而笔者还偏执的认为既然已经成功的爬取到目标数据，也就没什么要做的啦，已经OK啦_{直到昨天看了这个http://www.imooc.com/learn/563关于Python爬虫的课程后，才彻底的理解了老师教的}课程里系统的讲解了爬虫应有的框架和结构，使笔者收益匪浅，故在此总结，反思，希望对大家有帮助。
这里先为它，打个小广告吧~笔者个人认为，不管你是资深的Python爬虫专家，还是才接触爬虫的新手，都应该来看一看，为你以后的Python爬虫工作添砖加瓦，广告语“慕课网—程序员的梦工厂”。
PS:以下截图，为笔者再听课时截图整理所得，故图片来源该课程的PPT
基于百度百科词条，通用爬虫源码：https://github.com/NO1117/baike_spider
Python交流群：942913325 欢迎大家一起交流学习
总结：
1.爬虫思路

如上图所示，一般在开始爬虫时，都会经历这样的思考过程，其中最为主要和关键的分析目标，只有经过准确的分析和前期的充分准备，才能顺顺利利的爬取到目标数据。
2.爬虫任务：

3.爬虫的框架及运行流程图
接下来，就一起学习一下Python爬虫的框架吧~

爬虫的大致运行过程如下：

4.URL管理器
所谓的URL管理器，主要是由两个集合构成（待抓取URL集合和已抓取URL集合），其目的是为了防止重复抓取，循环抓取；

URL管理器的实现方式，分三种：a,Python内存（即集合）；b,数据库（如MySQL，MongoDB等）；c,缓存数据库

5.网页下载器
所谓网页下载器，即是将互联网上URL对应的网页下载到本地的工具

网页下载器，大致为request和urllib2两种;

6.网页解析器
什么是网页解析器？

下面，我们来看看，如何解析一个网页文件


解析器种类：

好了，通过以上的学习，我们掌握了Python爬虫的简单框架。那么怎样才能写一个好的python爬虫呢？又该如何去编写代码，实现我们的爬虫功能呢？下一步又该如何优化我们的爬虫代码呢？